Bourse : la deuxième vague de l’IA

Le raisonnement classique est connu. Les valeurs technologiques, et plus particulièrement les valeurs de croissance, sont sensibles aux taux d’intérêt : lorsque les rendements obligataires montent, l’actualisation de leurs bénéfices futurs devient moins favorable et les multiples de valorisation ont tendance à se contracter.

Et si l’intelligence artificielle n’était pas seulement victime de la hausse des taux ? Et si elle contribuait elle-même, par l’ampleur des investissements qu’elle exige, à entretenir cette hausse ?

C’est là que la mécanique devient plus complexe. Les besoins de financement nécessaires à la construction des data centers, à l’achat de semi-conducteurs et au développement des capacités de calcul participent désormais aux tensions observées sur les marchés de taux. En retour, ces taux plus élevés augmentent le coût des investissements dans l’IA et réduisent leur marge de rentabilité.
Une boucle commence à se former.

Pourquoi les taux augmentent ?
Il serait excessif d’attribuer la remontée des taux longs américains à la seule intelligence artificielle. Christian Parisot prend d’ailleurs soin de l’écarter : les investissements dans les data centers ne constituent qu’un des facteurs à l’œuvre.
Le pétrole joue notamment un rôle. Sa hausse peut servir de déclencheur aux mouvements sur les rendements obligataires. Mais elle n’explique pas tout.
Les anticipations d’inflation observées sur le marché obligataire américain restent relativement stables, autour de 2,3 %. Elles ont certes légèrement progressé, mais dans des proportions insuffisantes pour justifier à elles seules l’ampleur de la remontée des taux longs.
Il faut également tenir compte de la politique monétaire. La Réserve fédérale a laissé entendre que le taux directeur neutre pourrait, sur longue période, s’établir à un niveau plus élevé que par le passé.
Cette évolution n’est pas nécessairement synonyme de mauvaise nouvelle sur l’économie. Au contraire : elle peut également traduire des perspectives de croissance réelle plus solides aux États-Unis.
Le point essentiel se trouve ailleurs. La remontée récente des taux longs provient surtout de leur composante réelle plutôt que des anticipations d’inflation.
Cela suggère qu’un nouvel équilibre est peut-être en train de se former entre l’épargne disponible et les besoins d’investissement. D’un côté, des investissements très importants, dont le coût ne cesse lui-même d’augmenter ; de l’autre, une épargne qui pourrait se révéler insuffisante pour les financer dans les mêmes conditions qu’auparavant.
L’IA prend alors toute sa place dans cette équation.

Le scénario idéal se fissure
Les marchés sortent d’une période presque parfaite pour les actifs risqués.
Le triptyque était simple : intelligence artificielle, désinflation et baisse des taux d’intérêt.
La croissance pouvait rester forte, même concentrée sur quelques segments de l’économie. Selon les éléments présentés par Christian Parisot, les investissements liés à l’IA représenteraient près de la moitié de la croissance américaine alors qu’ils ne pèseraient qu’environ 4 % du PIB.
Une concentration spectaculaire, mais qui permettait d’entretenir une forte dynamique d’investissement sans pour autant alimenter, à elle seule, l’ensemble de l’inflation américaine.
Les hausses de prix liées aux droits de douane pouvaient être perçues comme un choc ponctuel : une marche sur le niveau des prix, plutôt qu’une accélération durable.
Il en allait de même des tensions sur le pétrole, aussi longtemps que le marché pouvait espérer une résolution relativement rapide du conflit à l’origine de la hausse.
Cette lecture est devenue plus difficile.
Le risque est désormais celui d’un choc énergétique plus durable, qui finirait par être répercuté sur les consommateurs et par peser sur leur pouvoir d’achat. Un tel choc ne peut pas être absorbé pendant quelques semaines par une simple baisse du taux d’épargne.
Dans le même temps, les banques centrales réagissent de manière plus synchronisée en retirant de la liquidité et en relevant les taux.
Le scénario d’une détente monétaire rapide a donc perdu une partie de sa crédibilité.

Pourquoi la Bourse résiste malgré tout
On pourrait s’attendre, dans un tel environnement, à une réaction beaucoup plus violente des actions.
Elle n’a pas eu lieu.
La raison tient essentiellement aux bénéfices.
Les conditions de financement sont certes moins favorables et le coût du capital plus élevé. La conséquence est assez mécanique : les marchés peuvent difficilement retrouver les multiples de valorisation extrêmement généreux observés lorsque l’argent était abondant et peu coûteux.
Mais les perspectives de résultats restent, elles, très solides.
C’est ce qui permet d’expliquer la résistance de la Bourse américaine.
La courbe des taux s’est fortement déplacée au cours de l’année. Sa partie longue est remontée et la courbe s’est pentifiée alors qu’un an auparavant les investisseurs envisageaient encore un assouplissement de la politique monétaire.
Pourtant, le S&P 500 a continué à progresser.
Le paradoxe n’en est finalement pas vraiment un : les taux ont comprimé les multiples, mais les bénéfices attendus ont continué de progresser.
Encore faut-il regarder derrière l’indice.
Ces perspectives sont très concentrées. Les investissements dans l’IA et les valeurs technologiques tirent une grande partie de la croissance attendue des profits, alors que d’autres pans de l’économie connaissent au contraire des révisions à la baisse.
Christian Parisot cite notamment Nike, McDonald’s et les grands distributeurs exposés aux ménages les moins aisés, dont le pouvoir d’achat est sous pression.
Les secteurs pétroliers bénéficient de leur côté de la hausse de l’énergie. Mais c’est surtout la technologie qui soutient l’ensemble.
Résultat : malgré la hausse de l’indice, le PER prospectif n’a pas nécessairement augmenté dans les mêmes proportions. Il a subi l’effet des taux.
La même logique vaut pour la technologie et les services de communication du S&P 500. Si les bénéfices attendus dans douze mois sont bien au rendez-vous, ces secteurs peuvent même apparaître moins chers qu’auparavant.
Pour Christian Parisot, difficile dans ces conditions de parler aujourd’hui de bulle. La hausse des taux a bien pesé sur les valorisations, mais elle n’a pas encore cassé la dynamique des bénéfices.
Toute la question consiste donc à savoir si ces bénéfices seront effectivement au rendez-vous.

Muse : le succès qui rassure les investisseurs
L’arrivée de Muse chez Meta apporte un début de réponse.
Cet agent IA doit être capable d’effectuer des achats, de gérer certaines tâches financières et, plus largement, de devenir une sorte de majordome numérique au service de son utilisateur.
Son adoption a d’abord été interprétée comme une bonne nouvelle.
Si les consommateurs utilisent ce type d’outil, cela valide en partie les investissements réalisés par Meta et confirme l’existence d’une demande pour une nouvelle génération de services basés sur l’intelligence artificielle.
Mais surtout, les agents changent radicalement l’équation en matière de puissance de calcul.
Une utilisation via un agent nécessiterait entre cinq et vingt fois plus de tokens qu’une requête effectuée auprès d’un chatbot classique.
L’enjeu est considérable : si ces usages se généralisent, les besoins en calcul augmentent mécaniquement.
D’où la réaction positive observée sur les semi-conducteurs. Plus les agents rencontrent de succès, plus la demande de puissance de calcul augmente et plus il devient possible, en théorie, de rentabiliser les gigantesques infrastructures construites pour l’IA.
Mais Muse est une bonne nouvelle à double tranchant.

Les agents IA vont redistribuer les cartes du e-commerce
Le premier bouleversement concerne les intermédiaires numériques.
Une partie du commerce en ligne repose aujourd’hui sur l’inertie du consommateur : abonnements que l’on ne résilie pas, absence de comparaison systématique entre les offres, fidélité par facilité à une plateforme ou à un prestataire.
Un agent change cette logique.
Il peut comparer en permanence deux abonnements, résilier celui qui devient inutile, choisir un assureur plus compétitif ou chercher automatiquement le meilleur prix.
Cette capacité promet davantage de concurrence.
Elle menace également certaines activités de conseil. L’agent pourra organiser des vacances, gérer des comptes, suivre des placements ou accompagner une décision d’achat.
Et il pourrait devenir lui-même le point d’entrée de la publicité.
C’est ici que le modèle d’Amazon, par exemple, peut être interrogé.
Amazon monétise très cher la visibilité offerte aux marques sur son site. Mais si le consommateur ne visite plus directement la plateforme et délègue son achat à un agent, c’est un robot qui se connecte au magasin.
Une partie de l’intermédiation publicitaire peut alors perdre de sa valeur.
Christian Parisot relie cette menace à la réaction d’Amazon face à l’accès des agents IA à sa plateforme.
Le scénario qui se dessine est celui d’une multiplication des agents propriétaires : chaque géant du numérique ou du commerce cherchera à imposer le sien, tout en limitant autant que possible l’accès de ceux de ses concurrents.
Car ouvrir totalement son écosystème reviendrait potentiellement à céder une partie de la valeur créée.

Infrastructures de paiement et cybersécurité dans le camp des gagnants ?
D’autres acteurs pourraient au contraire profiter de cette mutation.
Le paiement en ligne en fait partie.
Si un agent s’occupe des achats, des contrats ou des courses quotidiennes, davantage de transactions seront réalisées automatiquement sur Internet.
La cybersécurité pourrait également devenir encore plus critique.
Plus les agents seront autonomes, plus les conséquences d’une prise de contrôle seront importantes. Un outil capable de gérer un compte, d’effectuer des achats ou de prendre des décisions au nom d’un utilisateur ne peut pas être exposé à un risque de piratage sans protections considérablement renforcées.
Le succès des agents IA ne se résume donc pas à une hausse de la demande de semi-conducteurs. Il est susceptible de redistribuer la valeur entre de nombreux secteurs.

Le modèle économique des agents reste à prouver
Reste une difficulté : le succès d’usage n’est pas synonyme de succès économique.
Meta vend actuellement Muse à un prix inférieur à son coût réel, selon Christian Parisot. L’objectif est d’abord de diffuser le produit et de prendre des parts de marché.
C’est une stratégie classique.
Mais elle repousse la question essentielle : comment gagner de l’argent ?
La publicité constitue une piste. Elle soulève cependant un problème évident. Peut-on accorder la même confiance à un agent censé rechercher le meilleur produit pour son utilisateur s’il est simultanément rémunéré pour lui en proposer certains ?
La contradiction pourrait fragiliser le modèle.
La sécurité constitue une deuxième source d’incertitude. Un incident majeur sur un agent disposant d’un tel niveau d’autonomie pourrait provoquer un rejet très rapide.
Enfin, l’utilité reste à démontrer dans certains cas d’usage. Les premiers tests évoqués par Christian Parisot montrent notamment un outil parfois beaucoup plus lent qu’un comparateur de prix traditionnel, pour un bénéfice qui n’est pas toujours évident.
Muse pourra progresser. Mais le vrai test reste son usage dans la durée.
Et c’est précisément là que l’histoire rejoint à nouveau les taux.

Plus Muse réussit, plus Meta doit investir
Si les agents rencontrent un véritable succès, ils consommeront énormément de puissance de calcul.
Il faudra donc construire davantage de capacités.
Or les chaînes de production nécessaires aux data centers sont déjà sous forte tension. Christian Parisot souligne notamment la saturation des capacités dans les semi-conducteurs et les mémoires utilisées par ces infrastructures, sans véritable augmentation des volumes attendue avant 2030.
Dans ce contexte, davantage de demande ne signifie pas immédiatement davantage de production.
Elle signifie aussi des prix plus élevés.
C’est une forme d’inflation de l’IA : non pas l’inflation générale des biens et services, mais celle des composants, des mémoires et de l’ensemble des équipements nécessaires au calcul.
Le succès commercial peut alors paradoxalement accroître la facture.
Meta devra investir davantage. Et une part importante du cash-flow ayant déjà servi à financer les investissements passés, il faudra lever davantage de capitaux sur le marché obligataire.
C’est ici qu’apparaît le chaînon manquant entre l’intelligence artificielle et les taux longs.

Quel est le message du marché obligataire ?
Les spreads des obligations émises par les hyperscalers se sont élargis davantage que ceux d’autres sociétés bénéficiant d’une notation similaire, voire inférieure.
Il ne faut pas y voir une peur de la faillite de Meta.
Ce serait même contradictoire avec le succès de Muse.
Le marché semble plutôt intégrer la perspective de besoins de financement beaucoup plus importants.
Les hyperscalers devront lever davantage d’argent pour financer des data centers alors même que les contraintes d’offre limitent la hausse des capacités disponibles.
Une partie de ces capitaux risque donc, dans un premier temps, d’alimenter davantage la hausse du coût des équipements que la croissance des volumes.
C’est cette concurrence accrue pour le financement qui peut ajouter une pression sur le marché obligataire.
Christian Parisot insiste sur la nuance : le 10 ans américain n’a pas franchi 5 % à cause de Meta et de Muse. L’IA n’est qu’un élément parmi d’autres.
Mais cet élément existe désormais.
Et plus les agents IA rencontreront de succès, plus les investissements nécessaires seront élevés, plus les hyperscalers devront se financer et plus cette demande de capitaux pourra contribuer aux tensions sur les taux.

Le paradoxe du token moins cher
Une autre idée reçue mérite d’être corrigée.
Le coût d’un token diminue.
Cela ne signifie pas nécessairement que l’utilisation de l’IA devient moins chère.
Si un agent consomme cinq fois, dix fois ou vingt fois plus de tokens qu’une requête classique, la baisse du prix unitaire doit être suffisamment rapide pour compenser l’explosion de la consommation.
Dans le cas contraire, le coût total de l’agent augmente malgré la baisse du coût du token.
Cette question devient particulièrement importante avec le déploiement des agents dans les entreprises.
Car le potentiel économique, lui, ne fait guère de doute.

Une technologie capable de bouleverser la R&D
L’intelligence artificielle devient progressivement capable de substituer du capital à une partie du travail humain.
Dans certains domaines de la recherche, les gains potentiels sont considérables.
Christian Parisot cite les mathématiques, où l’IA peut désormais réaliser en quelques semaines des travaux qui nécessiteraient l’intervention de très nombreux chercheurs.
Dans la santé, elle pourrait modifier profondément le coût de la recherche et développement.
Même phénomène dans les matériaux : là où des milliers d’expériences pouvaient être nécessaires pour identifier une solution, l’IA peut calculer en amont des combinaisons prometteuses et réduire ensuite la partie expérimentale à leur validation.
Le coût et le temps de développement peuvent ainsi fortement diminuer.
La robotique constitue une étape supplémentaire. L’IA n’y a pas encore atteint tout son potentiel, mais son intégration pourrait, à terme, prolonger cette transformation dans le monde physique.
Voilà pour la face visible.
Il en existe une autre.

Le coût de l’IA ne se limite pas à la puissance de calcul
Une intelligence artificielle à laquelle on donne un objectif cherchera à l’atteindre.
Encore faut-il s’assurer qu’elle le fasse en respectant les règles.
Une IA insuffisamment encadrée peut adopter des comportements juridiquement ou opérationnellement inacceptables simplement parce qu’ils lui permettent d’optimiser le résultat demandé.
Les entreprises devront donc intégrer des coûts de contrôle.
Christian Parisot distingue plusieurs risques : juridique, exécution et conformité.
Même si le politique ne devait pas imposer de réglementation extrêmement contraignante, les entreprises elles-mêmes auront intérêt à créer leurs propres barrières.
Difficile d’imaginer une société abandonner des processus importants à un agent autonome sans l’avoir testé, audité et sécurisé.
La diffusion de l’IA implique donc également des dépenses de contrôle, de validation et de sécurisation.
Additionnez le coût de l’agent, celui des garde-fous et un coût du capital qui remonte : la facture totale devient sensiblement plus importante.
La vitesse de diffusion de l’IA prend alors une importance cruciale.
Le succès initial de Muse a rassuré le marché parce que son adoption aurait été plus rapide que celle de ChatGPT.
Mais il faudra vérifier que cette adoption dure.
Et surtout qu’elle se diffuse suffisamment rapidement dans les entreprises pour assurer la rentabilité des infrastructures déjà financées.

800 milliards de dollars… et une facture réelle potentiellement bien supérieure
Officiellement, les investissements des hyperscalers représentent environ 800 milliards de dollars.
Mais ce chiffre pourrait sous-estimer très largement leur exposition réelle.
Les engagements hors bilan se développent fortement.
Les hyperscalers signent des contrats qui les engagent sur plusieurs années.
 
Selon les données présentées par Christian Parisot, environ 85 % de ces engagements seraient liés à la construction de data centers.
Le principe est simple : un investisseur finance et construit le centre de données, tandis que l’hyperscaler s’engage contractuellement à payer les loyers nécessaires à sa rentabilisation.
L’investissement ne figure donc pas nécessairement de la même manière dans les capex immédiats du géant technologique.
L’engagement économique, lui, existe bel et bien.
Pour les fonds immobiliers ou spécialisés, l’opération est attractive : ils construisent une infrastructure et disposent face à eux d’un locataire bénéficiant généralement d’une excellente signature.
Une autre partie – environ 5 % dans les chiffres évoqués – correspond à des investissements stratégiques croisés : une entreprise investit chez une autre qui, en retour, lui achète des semi-conducteurs ou d’autres services.
C’est cette circularité qui a nourri les interrogations sur le caractère parfois « consanguin » de certains flux d’investissement autour de l’IA.
Le solde correspond à différents engagements et garanties.
Autrement dit, regarder uniquement les capex annoncés conduit potentiellement à sous-estimer la prise de risque.
Christian Parisot met en regard les 800 milliards de dollars d’investissements avec jusqu’à 17 000 milliards de dollars d’engagements évoqués dans son analyse.
L’écart change évidemment la perception du sujet.

Une rentabilité encore confortable… pour le moment
Il existe toutefois un élément rassurant.
La rentabilité des capitaux engagés reste supérieure à leur coût.
Dans les chiffres retenus ensuite par Christian Parisot, la rentabilité des hyperscalers étudiés se situe autour de 20 %, pour un coût moyen pondéré du capital proche de 12 %.
Soit environ huit points d’écart, avec une marge variant selon les acteurs entre six et douze points.
Dans l’état actuel des choses, ce n’est donc pas un problème de rentabilité immédiate.
Les data centers rapportent encore suffisamment pour justifier leur coût de financement.
Mais toute la mécanique repose sur cet écart.
Si le WACC continue de progresser, la marge se réduit.
Et si, dans le même temps, la rentabilité réelle des infrastructures déçoit, le risque augmente rapidement.
Or plusieurs acteurs mènent aujourd’hui des politiques commerciales extrêmement agressives.
Adobe intègre des fonctionnalités d’IA à ses logiciels dans des conditions qui reviennent à absorber une partie de leur coût.
Meta ne facture pas Muse au niveau de son coût réel.
Il espère monétiser autrement le service ou relever ensuite ses abonnements. Mais augmenter les prix pose évidemment la question de la réaction de la demande.
Oracle est également cité pour son agressivité tarifaire.
Plus la concurrence se durcit, plus les marges peuvent être comprimées.
Les investissements, eux, restent engagés pour longtemps.

La vraie inconnue n’est plus le capex, mais sa rentabilité
Le test décisif devient donc la rentabilité du capital.
Elle dépend de trois variables : la vitesse d’installation des infrastructures, la diffusion des usages et leur monétisation.
Personne ne sait encore exactement à quelle vitesse cette équation se résoudra.
Et c’est là que les taux longs redeviennent centraux.
Plus ils montent, plus le coût du capital progresse.
Plus le coût du capital progresse, plus la marge économique des investissements se réduit.
Et plus ces investissements deviennent risqués.
À cela s’ajoutent d’autres menaces : la concurrence chinoise, l’open source et des conditions de financement plus dures.
Ces dernières peuvent d’ailleurs affecter l’ensemble de l’économie et inciter les entreprises à ralentir leurs projets IA.
En cas de ralentissement conjoncturel, rien ne garantit que les investissements continueront à croître au même rythme.
La boucle est désormais complète : le développement de l’IA dépend lui-même de conditions macroéconomiques et financières qu’il contribue en partie à modifier.

Semi-conducteurs : la demande est là, mais les attentes aussi
Reste à traduire cette nouvelle donne en termes boursiers.
Du côté des semi-conducteurs, Christian Parisot reste plutôt positif sur les fondamentaux.
En mettant la valorisation de côté, le secteur reste solide et bénéficie de besoins considérables.
Les valorisations ne sont pas nécessairement délirantes.
Mais elles embarquent déjà des hypothèses de forte croissance.
Autrement dit, une partie du scénario favorable est dans les cours.
Et les fabricants de puces restent étroitement dépendants des investissements des hyperscalers.
Si Meta, par exemple, devait simplement ne plus augmenter son budget d’investissement, l’impact pourrait déjà être sensible. Dans un environnement inflationniste où le prix des équipements augmente, un budget stable permet en effet d’acheter moins de capacités.
Pour que les semi-conducteurs continuent d’être entraînés dans le sillage de l’IA, les hyperscalers doivent donc continuer à investir massivement.

Les modèles IA face à une concurrence sans vainqueur évident
Les modèles eux-mêmes posent une autre question.
Certains de leurs développeurs envisagent une introduction en Bourse, mais l’investissement présente plusieurs risques.
La concurrence chinoise est particulièrement agressive.
Surtout, les entreprises cherchent de plus en plus à ne pas dépendre d’un seul modèle.
Une application peut utiliser à un moment donné Claude, puis ChatGPT ou une autre solution si celle-ci devient plus performante ou plus pertinente.
Le coût de changement entre les modèles peut donc être faible.
Dans ces conditions, difficile de savoir aujourd’hui qui sera le vainqueur de la course à l’IA.
C’est précisément ce qui rend ces investissements plus incertains.

Les hyperscalers concentrent aussi le risque
Les hyperscalers sont au centre de tout.
Ils achètent les puces, construisent les data centers, financent l’infrastructure et développent les services.
Cette position leur donne une place centrale dans la chaîne de valeur.
Elle concentre aussi sur eux une grande partie du risque financier.
En cas de mauvaise nouvelle sur la rentabilité, le rythme d’adoption ou les investissements, ils seront parmi les premiers exposés.
Et c’est à ce stade que Christian Parisot déplace son regard vers une partie de la chaîne de valeur qui a peut-être été trop vite négligée.

La vraie richesse de l’IA
La donnée reste l’une des ressources les plus précieuses de l’intelligence artificielle.
Une entreprise qui détient une donnée propriétaire, inaccessible au modèle public, dispose de quelque chose que l’IA ne peut pas simplement aller chercher ailleurs.
Peu importe alors, dans une certaine mesure, le modèle choisi.
L’entreprise peut utiliser le meilleur outil disponible pour exploiter une ressource qui, elle, lui appartient.
C’est le cas des laboratoires pharmaceutiques, qui disposent de données issues des tests et du développement des médicaments.
C’est aussi celui d’industriels qui possèdent les données de leurs clients, de leurs processus ou de leurs simulations.
Christian Parisot cite Renault ainsi que les acteurs de l’aéronautique et du spatial : ils n’ont évidemment aucune raison de publier sur Internet les données stratégiques qui permettent de modéliser leurs produits.
La valeur n’est donc pas uniquement dans le modèle.
Elle est aussi – et peut-être surtout – dans la donnée qu’on lui donne à exploiter.
Les logiciels ont-ils été condamnés trop vite ?
Même prudence sur les éditeurs de logiciels.
L’IA va incontestablement transformer leur métier.
Une partie importante du code pourra être produite directement par l’intelligence artificielle. On pourra demander oralement à une interface de créer tout ou partie d’un programme.
Mais passer de là à considérer que les éditeurs et développeurs deviennent inutiles serait aller trop vite.
Le travail se déplace.
Il faudra vérifier le code, le tester, le sécuriser, identifier ses bugs et l’adapter aux usages.
La cybersécurité devient d’autant plus importante que les attaques pourront elles aussi être multipliées et automatisées grâce à l’IA.
Il restera également tout le travail d’ergonomie et d’intégration.
Christian Parisot pousse le raisonnement très loin : là où l’on pouvait consacrer 90 % du temps au codage, on pourrait demain passer l’essentiel du temps à confirmer, valider, tester et améliorer ce que l’IA a produit.
Le métier change profondément.
Il ne disparaît pas.
Pour l’investisseur, l’enjeu sera donc de sélectionner les éditeurs capables de conserver une véritable valeur ajoutée.

Les grands gagnants de demain ne sont pas ceux d’hier
La prochaine étape de la thématique IA pourrait ainsi se jouer ailleurs que dans les seules infrastructures.
La santé, l’industrie et les transports sont directement cités parmi les secteurs susceptibles de bénéficier des gains de productivité.
Dans la santé, l’IA peut réduire le coût de la R&D.
Dans l’industrie, elle peut améliorer les processus de conception et de production.
Dans les transports, elle peut optimiser la logistique.
Ces gains existent déjà et pourraient devenir beaucoup plus importants au cours des prochaines années.
C’est une évolution majeure pour la thématique d’investissement.
Pendant longtemps, jouer l’IA en Bourse était relativement simple : semi-conducteurs d’abord, hyperscalers ensuite.
Cela ne suffit plus.
Il faut désormais intégrer l’effet taux longs, qui fragilise la boucle financière et rend les valorisations plus sensibles. La thématique devrait rester volatile et très dépendante de l’évolution des rendements obligataires.
Dans le même temps, la remontée des taux pèse plus largement sur les économies développées et sur les finances publiques. Elle limite la capacité des États à mener des politiques budgétaires très expansionnistes.
La sélection doit donc devenir plus fine, avec une attention accrue aux acteurs qui bénéficient réellement de l’IA sans nécessairement en supporter l’intégralité du coût financier.

Les choix de Christian Parisot
Cette sélectivité se retrouve dans les convictions exposées en fin d’analyse.
À court terme, Christian Parisot préfère rester à l’écart des semi-conducteurs en raison de la volatilité qu’il attend sur le secteur.
À moyen terme, son jugement est différent : il reste positif sur les semi-conducteurs. La distinction est essentielle.
Il demeure en revanche plus prudent sur les hyperscalers dans leur ensemble.
S’il fallait choisir une grande capitalisation américaine tout en cherchant à limiter le risque lié aux investissements massifs dans l’IA, il cite Apple.
Le groupe bénéficie de l’IA à travers ses propres puces et pourrait être particulièrement bien placé dans l’IA embarquée sur les smartphones.
Surtout, Apple s’engage moins directement que d’autres géants dans la construction massive de data centers et sous-traite une partie de l’intelligence artificielle.
Le groupe utilise actuellement une solution de Google et avait auparavant discuté avec OpenAI. Cette capacité à mettre les différents modèles en concurrence peut devenir un atout, même si elle résulte aussi du retard pris par Apple dans le développement de ses propres modèles.
Le groupe supporte ainsi moins directement les investissements associés.
À l’autre extrême, Christian Parisot identifie Oracle comme l’un des acteurs les plus exposés en raison des risques pris sur l’investissement.
Plus globalement, il préfère rester à l’écart des hyperscalers compte tenu des périodes d’incertitude qui pourraient accompagner le développement de l’IA.
Il se montre en revanche davantage intéressé par les éditeurs de logiciels et les secteurs capables de capter directement les gains générés par l’intelligence artificielle.
Le changement est profond. Pendant longtemps, le raisonnement consistait surtout à mesurer l’effet d’une hausse des taux longs sur la valorisation d’une valeur de croissance. Il faut désormais ajouter une seconde dimension : les taux longs montent en partie parce que les investissements dans l’IA eux-mêmes augmentent.
Plus les investissements progressent, plus les besoins de financement sont importants. Plus ces besoins contribuent à tendre les taux, plus le coût du capital monte. Et plus le coût du capital monte, plus le risque économique associé aux investissements IA augmente.
L’intelligence artificielle doit désormais composer avec une contrainte longtemps restée au second plan : le coût du capital.
Et cette nouvelle contrainte impose désormais davantage de sélectivité et davantage d’arbitrages entre les valeurs.